Primero, crearemos un vector con cada uno de los nombres de la personas y los datos de la latitus y longitud del lugar de la República Mexicana al que les gustaría viajar. Posteriormente, mediante la función rbind crearemos una matriz por columnas con los datos de las ubicaciones a las que nos gustaría viajar:
akira<-c(-100.30925, 25.6714 )
Allan<-c(-86.84656,21.17429)
Erick<-c( -86.801667,21.387222)
Sveydy<-c(-103.39182,20.66682)
viajes<-rbind(akira,Allan,Erick,Sveydy)
viajes
## [,1] [,2]
## akira -100.30925 25.67140
## Allan -86.84656 21.17429
## Erick -86.80167 21.38722
## Sveydy -103.39182 20.66682
Una vez que hemos creado nuestra matriz de datos, cambiaremos el nombre de nuestras columnas con la función colnames:
colnames(viajes)<-c("Longitud","Latitud")
viajes
## Longitud Latitud
## akira -100.30925 25.67140
## Allan -86.84656 21.17429
## Erick -86.80167 21.38722
## Sveydy -103.39182 20.66682
Recuerda que para hacer gráficas con ggplot y mapas con qmplot necesitamos un data frame. Vamos a transformar nuestra matriz en un data.frame de la siguiente forma:
viajes<-data.frame(viajes)
viajes
## Longitud Latitud
## akira -100.30925 25.67140
## Allan -86.84656 21.17429
## Erick -86.80167 21.38722
## Sveydy -103.39182 20.66682
Podemos crear una grafica de dispersión y usar los nombres como etiqueta si utilizamos la función ggplot junto con geom_text; además, podemos agregar puntos a nuestra gráfica con la función geom_point. Finalmente, si queremos que nuestra gráfica sea interactiva, utilizamos la función ggplotly:
dispersion<-ggplot(viajes)+geom_text(aes(Latitud,Longitud),label= rownames(viajes))+geom_point(aes(Latitud,Longitud),color= rainbow(4))
ggplotly(dispersion)
Para crear un mapa, utilizaremos la funcion qmplot:
qmplot(Longitud, Latitud, data=viajes, color=I(rainbow(4)))
Podemos agregar el parámetro geom = c("point","density2d") para hacer un mapa de puntos y densidad:
qmplot(Longitud, Latitud, data=viajes, geom=c("point","density2d"))
Allan y Erick son los que están más cerca entre sí, mientras que Akira y Sveydy estan más dispersos con respecto a los cuatro compañeros.
La función que se acerca más a la del mapa sería, la función racional que en forma matemática es= f(x)=p(x)/q(x).
Si, por que podemos observar cuáles son los lugares más concurridos y las rutas más recorridas así podemos con base en los datos implementar: 1.- políticas publicas para maximizar la participación de los consumidores en las áreas más concurridas. 2.- así podremos invertir acorde a los datos de la zona y maximizar las ganancias. 3.- podemos implentar nuevas políticas económicas que mejoren la rotación de dinero.
Hasta el momento hemos podido aprender cómo es que las matemáticas no solo se ven en el cuaderno y que se pueden usar de múltiples formas y una ellas es lo que se ve en este trabajo y es mejorar las decisiones económicas y políticas.
Esta obra fue generada mediante R en November 18, 2020 y forma parte de las actividades realizadas en las materias de Matemáticas I y Taller III, Facultad de Economía, UNAM. Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. Creative Commons (CC).